Hai Sobat Data!

Pernah kepikiran ga si, kok bisa yaa tiap kita menggunakan jasa e-commerce seperti Shope, Toko Pedia dan Bukalapak maka kita bakal disuguhkan berbagai rekomendasi dari berbagai macam barang, kok rasanya pihak E-commerce bisa tahu betul kebutuhan serta preference kita?

Ternyata ini rahasianya, platform-platform E-commerce ini menggunakan Sains Data dalam analisis pelanggannya lho. Hal ini dilakukan untuk menaikkan daya beli para pelanggan dengan cara menampilkan produk-produk yang mungkin akan mereka suka sehingga penjualan dapat ditingkatkan, untuk melakukan ini tentu saja dibutuhkan algoritma- algoritma yang baik, beberapa contohnya adalah algoritma Content Based Filtering atau pemfilteran berbasis konten di mana sistem ini memberikan rekomendasi untuk menebak apa yang disukai pengguna berdasarkan aktivitas pengguna tersebut. selain itu terdapat pula algoritma collaborative filtering yang bekerja dengan cara mencari kemiripan antar penggunanya.

Nah jika tadi kita sudah membahas mengenai algoritma-algoritma yang digunakan, maka kali ini kita akan mencari tahu motif-motif utama yang biasanya digunakan dalam sistem rekomendasi itu sendiri, diantaranya adalah :
1. Cross Sell yaitu teknik penjualan dengan mendorong konsumen membeli produk tambahan yang masih relevan denga napa yang telah dibeli sebelumnya. Contohnya Ketika kamu membeli laptop maka kamu juga akan diberikan rekomendasi tas laptop.
2. Upselling merupakan teknik marketing yang membujuk para pelanggan untuk membeli benda serupa namun dengan kualitas yang lebih baik, sebagai contoh jika kamu mencari sebuah tas maka sistem rekomendasi akan menampilkan berbagai tas lain yang lebih baik dari tas pilihanmu sebelumnya.

Selain dari sistem rekomendasi, sains data juga dapat digunakan dalam analisis garansi produk, hal ini dapat memberikan info kepada pihak E-commerce mengenai masa pakai produk,masalah serta pengembalian produk, dengan info ini pihak E-commerce dan penjual dapat melakukan pengawasan terhadap produk-produk mereka.

Ga sampai disini aja, ilmu sains data juga banyak diterapkan pada penetuan harga dari berbagai produk lho, agar pihak penjual dapat menentukan harga yang tepat yaitu tidak terlalu mahal ataupun murah maka mereka membutuhkan informasi mengenai hal-hal yang mempengaruhi harga dari produk tersebut, sebagai contoh harga yang diberikan oleh pesaing, kemampuan konsumen dalam membayar produk dan lain sebagainya.

Nah daritadi kita sudah membahas mengenai cara sains data meningkatkan penjualan pada platform E-commerce dengan menggunakan sistem rekomendasi, analisis garansi serta analisis harga, eitss tapi bukan itu aja lho kegunaan dari ilmu sains data, sains data juga dapat digunakan untuk mencegah Perusahaan E-commerce dalam mengalami kerugian, gimana caranya? Yuk kita Simak !

E-commerce juga menghadapi masalah dalam terhadap kejahatan digital, ada banyak pihak yang dapat melakukan penipuan pada transaksi yang terjadi di E-commerce, karena itu diperlukan sistem yang dapat mendeteksi adanya kegiatan-kegiatan tidak wajar yang dilakukan para pengguna. Dalam hal ini, sains data berguna karena dapat mengumpulkan informasi-informasi dari para pengguna serta melakukan pengamatan dan analisis pada kegiatan yang dilakukan, dengan adanya analisis ini maka pihak platform E-commerce akan menerima pemberitahuan mengenai kecurigaan penipuan dan dapat mencegah aktivitas ini. CNN Indonesia menyebutkan bahwa hingga September 2021, terdapat 115.756 kasus penipuan yang dilakukan baik melalui E-commerce ataupun media sosial, hal ini tentunya merugikan pihak pembeli maupun reputasi dari E-Commerce itu sendiri. Dengan sains data maka hal-hal seperti ini dapat ditekan jumlahnya.

Selain menghindarkan platform E-commerce dari kemungkinan-kemungkinan penipuan yang dapat terjadi, ilmu sains data juga dapat digunakan dalam manajemen inventaris, manajemen inventaris yang lebih baik akan dapat menampilkan perkiraan dari produk-produk yang akan memiliki angka penjualan tinggi dan juga rendah, hal ini membantu Perusahaan dalam mengambil keputusan, produk mana yang dapat dijadikan investasi dalam jangka waktu pendek dan Panjang. Dengan adanya sistem ini maka pihak E-commerce akan dapat menghindari kerugian dari investasi tak berbuah sehingga dapat mencapai keuntungan yang terbaik.

Dari tulisan diatas dapat kita simpulkan bahwa sains data berperan penting dalam keberlangsungan E-commerce, contohnya seperti penerapan ilmu sains data dalams sistem rekomendasi, penentuan harga, penetuan garansi serta pencegahan penipuan dan analisis investasi.

Lalu apakah E-commerce tetap dapat berjalan tanpa sains data? Tentu bisa, namun pengalaman pengguna tidak akan sebaik saat adanya penerapan sains data, selain itu pihak E-commerce akan kesulitan dalam meningkatkan penjualan dan menghindari kerugian.

Hallo, Sobat Data!

Kalian pasti sudah tidak asing lagi sama machine learning kan? Hari ini kita bakal bahas lebih lanjut materi machine learning ini, yuk baca sampai akhir.

Machine learning merupakan salah satu metode yang digunakan dalam bidang sains data untuk membangun model prediktif, menggali pola dalam data, dan mengoptimalkan proses pengambilan keputusan. Machine learning ini dapat digunakan dalam pengolahan data yang besar atau biasa disebut Big Data, nah bagaimana sih keterkaitan antara keduanya ? kumpulan data yang besar ini perlu diproses terlebih dahulu agar kemudian dapat menghasilkan informasi yang dibutuhkan, nah machine learning yang berbasis algoritma akan menghasilkan Big Data akan lebih akurat sehingga tujuan utama yaitu memperoleh informasi yang baik akan dapat dilakukan.

Machine learning terbagi dalam dua kategori, yaitu supervised learning dan unsupervised learning. Supervised learning adalah pendekatan machine learning yang menggunakan dataset yang sudah diberi label sebelumnya. Dengan menggunakan data-data yang dengan label ini, diharapkan algoritma dapat melakukan klasifikasi dan prediksi dengan akurat. Contoh dari penggunaan supervised learning ini adalah saat melakukan classification dan regression.Selanjutnya, unsupervised learning adalah penggunaan algoritma yang bertujuan untuk menganalisis data yang diberikan secara langsung tanpa adanya bantuan dari manusia. Unsupervised learning paling banyak digunakan dalam clustering.

Mari kita Simak lebih lanjut perbedaan diantara supervised vs unsupervised machine learning. Label data, pada supervised learning digunakan data yang sebelumnya telah berlabel sedangkan unsupervised learning menggunakan data yang tidak berlabel. Klasifikasi data, Ketika menggunakan supervised learning data akan terklasifikasi berdasarkan dataset pada saat training, namun unsupervised learning akan melakukan klasifikasi data yang diberikan secara langsung. Penggunaan, supervised learning biasanya digunakan dalam klasifikasi dan regresi sedangkan unsupervised learning lebih banyak digunakan dalam kasus clustering. Kelas, pada supervised learning jumlah kelasnya diketahui secara pasti sedangkan pada unsupervised learning tidak diketahui jumlah kelasnya. Algoritma, supervised learning menggunakan algoritma Regresi logistik, Decision tree, KNN dan Support Vektor Machine sedangkan unsupervised learning menggunakan algoritma K-means Clustering, Hierarchical Clustering dan Apriori Algorithm.

Setelah memahami perbedaan diantara Supervised dan Unsupervised Machine Learning, selanjutnya mari kita bahas lebih lanjut langkah-langkah dalam penerapan Machine Learning. Permasalahan Persiapan Data Memilih Algoritma Melatih Model Uji Model Pada tahap pertama, dilakukan identifikasi masalah yang ingin diselesaikan menggunakan machine learning. Persiapan Data, data yang akan digunakan perlu melewati proses pembersihan terlebih dahulu sebelum digunakan untuk eksplorasi dan analisis. Memilih Algoritma, pemilihan algoritma yang tepat penting untuk mendapatkan model machine learning yang akurat. Melatih model, tahap selanjutnya adalah melakukan pelatihan serta evaluasi model sampai mendapatkan tingkat akurasi yang tinggi. Uji Model, tahap terakhir adalah uji model menggunakan data test.

Sekian pembahasan kita pada kali ini, sampai jumpa kembali!

Berikut ini rencana mata kuliah yang bisa di ambil di semester 3, 5, dan 7:

Wajib Semester 3

No	Kode	Mata Kuliah	SKS
1	SD2101	Aljabar Linier Elementer	3
2	SD2102	Teori Peluang	2
3	SD2103	Logika dan Matematika Diskrit	3
4	SD2104	Struktur Data	3
5	SD2105	Analisis Data Statistika	3
6	SD2106	Algoritma Pemrograman	3
7	KU0009	Pancasila	2
	Total		19

Wajib Semester 5

No	Kode	Mata Kuliah	SKS
1	SD3101	Data Mining	3
2	SD3103	Komputasi Statistik	3
3	SD3104	Teori Optimasi	3
4	SD3106	Visualisasi Data dan Informasi	3
5	SD3107	Pembelajaran Mesin	3
6	SD3108	Kecerdasan Buatan	3
7	KU3001	Kuliah Kerja Nyata	2
	Total		20

Terarah Semester 7

No	Kode	Mata Kuliah	SKS
1	SD4101	Proses Stokastik	2
2	SD4102	Deep Learning	3
3		Proposal Penelitian	2
4		Tugas Akhir	4
5		Studium Generale	2
6		Metode Penelitian	2
7		Kerja Praktik	2
	Total		17

Pilihan Semester 3, 5, dan 7

No	Kode	Mata Kuliah	SKS
1	SD3105	Prinsip Ekonomi Mikro	2
2	SD4111	Metode Survei Sampel	2
3	SD4122	Bioinformatika	2
4	SD4115	Decision Making	2
5	SD3129	Analisis Deret Waktu	2
6	SD3121	Teori Game	3

Silahkan bertanya di kolom komentar jika bingung yah 🙂

Prodi Sains Data ITERA mengadakan kuliah umum dalam mata kuliah Rancangan Percobaan dan Statistika Sains Data dengan menghadirkan dua dosen ahli dari Institut Pertanian Bogor (IPB) University selama dua hari berturut-turut. Kuliah umum ini bertujuan untuk memberikan pengetahuan dan wawasan baru kepada mahasiswa mengenai Diagnosis Model dan Metode Resampling.

Hari pertama

Hari pertama kuliah umum diadakan pada Senin, 13 Maret 2023 di Aula Gedung C ITERA dengan menghadirkan Dr. Anang Kurnia, S.Si, M.Si sebagai pembicara. Dalam kuliahnya, Dr. Anang Kurnia membahas mengenai Diagnosis Model dalam Sains Data. Beliau menjelaskan bahwa Diagnosis Model merupakan proses untuk mengevaluasi seberapa baik model yang digunakan dalam analisis data. Dr. Anang juga membahas mengenai Model Hipotesis, Asumsi dalam Pendugaan dan Uji Hipotesis, Pemeriksaan Asumsi dan Kelayakan Model, Kehomogenan Ragam, Uji Bartlett’s, Kenormalan serta Sebaran Penarikan.

Beliau sempat memberikan pengingat kepada mahasiswa di tengah-tengah perkuliahan. “Diagnosis tentang asumsi analisis ragam perlu dilakukan. Namun, jangan terlalu kaku. Jangan seluruh data dilakukan berbagai uji. Kalau dalam peragaan grafik secara visual sudah dapat didapat informasi yang diinginkan, tidak perlu dilakukan pengujian yang lebih formal,” ujarnya.

Hari kedua

Hari kedua kuliah umum diadakan pada Selasa, 14 Maret 2023 di Gedung Kuliah Umum ITERA dengan menghadirkan Bapak Gerry Alfa Dito, M.Si sebagai pembicara. Dalam kuliahnya, beliau membahas mengenai metode resampling dalam Sains Data. Beliau menjelaskan bahwa metode resampling merupakan teknik untuk membuat beberapa sampel dari data yang tersedia dengan tujuan untuk mengurangi kesalahan dalam estimasi parameter, serta meningkatkan akurasi dari model yang digunakan.

Beliau juga memperkenalkan beberapa teknik resampling, seperti Cross-Validation (CV), K-folds Cross Validation (K-CV), Leave-one-out Cross-Validation (LOOCV), dan Bootstrapping. Mahasiswa dapat memahami konsep dasar dari masing-masing teknik dan dapat memilih teknik resampling yang tepat untuk setiap masalah yang dihadapi.

Kuliah umum ini dihadiri oleh seluruh mahasiswa program studi Sains Data ITERA Angkatan 2021.

Diharapkan dengan adanya kuliah umum ini, mahasiswa dapat memperluas pengetahuan dan wawasan dalam bidang Sains Data dan dapat menerapkannya dalam penelitian dan pekerjaan di masa depan.

Tantangan nasional, mengapa kita membutuhkan AI dalam pangan agro-maritim.  Permasalahan yang sering terjadi seperti pesisir yang rusak seperti bakau, terumbu karang.  Konektivitas kelemahan seperti RTRW, RTRLN, RZWP3K, sampah plastik dan  pertanian. Tantangan global seperti pupuk kimia berat, penggundulan hutan, penggembalaan berlebihan, peristiwa banjir bandang, meningkatnya kekeringan menyebabkan 25% lahan pertanian terganggu. Ratusan juta orang kemungkinan akan terpaksa bermigrasi hanya dalam 3 dekade mendatang karena produktivitas lahan pertanian yang memburuk dengan cepat di  banyak wilayah yang disebabkan oleh praktik pertanian yang modern.

Urbanisasi mempengaruhi perubahan pola konsumsi. Pertumbuhan penduduk mengakibatkan permintaan pangan yang menjadi lebih tinggi sehingga lebih banyak makanan yang akan diproduksi oleh petani. Makanan olahan dan konsumsi daging per-kapita tahunan dari tahun  1997 sampai 1999 adalah 36,4 kg dan sekarang mencapai 45,3 kg. 

 

Kelangkaan pangan menyebabkan masih banyaknya kelaparan. Peta Kelaparan WFP 2020  menggambarkan prevalensi kekurangan gizi pada populasi setiap negara pada 2017-2019 – Jika tren saat ini berlanjut, jumlah orang yang kelaparan akan mencapai 840 juta pada tahun 2030  (saat ini: sekitar 340 juta). Makanan dianggap sebagai kebutuhan dasar manusia yang dapat dipenuhi melalui pertanian. 

SDGs 2030

Tujuan pembangunan berkelanjutan 2030 untuk mengubah dunia kita yaitu: 

• Tanpa Kemiskinan 
• Nol Kelaparan 
• Kesehatan Dan Kesejahteraan Yang Baik 
• Pendidikan Berkualitas 
• Kesetaraan Gender 
• Air Bersih Dan Sanitasi 
• Energi Bersih Dan Terjangkau
• Pekerjaan Layak Dan Pertumbuhan Ekonomi 
• Industri, Inovasi, Dan Infrastruktur 
• Mengurangi Ketimpangan 
• Kota Dan Komunitas Berkelanjutan 
• Konsumsi Dan Produksi Yang Bertanggung Jawab 
• Aksi Iklim 
• Kehidupan Di Bawah Air 
• Kehidupan Di Darat 
• Institusi Kuat Perdamaian Dan Keadilan  
• Kemitraan Untuk Mencapai Tujuan 

Beralih dari sistem produksi pangan saat ini teknik baru di produksi makanan dan didistribusi  ke konsumen. Sistem pertanian, sistem peternakan, sistem kehutanan, perikanan dan lautan pengelolaan sistem agroindustri, dan juga bagaimana caranya membawa makanan ke  konsumen.  

Produksi berbeda menggunakan teknik baru seperti hidroponik, bioplastik, bahan baku alga,  pertanian gurun, dan budidaya air laut. Menggabungkan teknologi dan aplikasi lintas industri  seperti drone technology, data analytics, nanotechnology, artificial intelligence, internet of  things, precision agriculture, food sharing and crowdfarming, and blood. Produksi makanan  harus mencangkup efektivitas, efisiensi, dan sustainablility. 

Penerapan Ilmu Sains Data

Pada ilmu sains data bertujuan untuk mengekstrak wawasan yang berguna dari data yang  diberikan persyaratan khusus eksekutif bisnis dan calon pengguna lain dari wawasan tersebut. Analitik kausal prediktif: Ilmuwan data menggunakan model ini untuk mendapatkan perkiraan bisnis. Model prediktif menampilkan hasil dari berbagai tindakan bisnis dalam istilah yang  dapat diukur. Ini bisa menjadi model yang efektif untuk bisnis yang mencoba memahami masa depan setiap langkah bisnis baru. 

Analisis Preskriptif: Analisis semacam ini membantu bisnis menetapkan tujuan mereka dengan  menentukan tindakan yang paling mungkin berhasil. Analisis preskriptif menggunakan  kesimpulan dari model prediktif dan membantu bisnis dengan menyarankan cara terbaik untuk  mencapai tujuan tersebut. 

Aplikasi sains data di kehidupan sehari hari sebagai berikut: 

• Perbankan: Ilmu Data memungkinkan Bank untuk memanfaatkan sumber daya secara  efisien berdasarkan data. Ilmu Data memungkinkan manajemen risiko dan pemodelan  risiko berdasarkan data pelanggan. Juga memprediksi churn pelanggan dan deteksi  penipuan menggunakan data tersebut. 

• Manufaktur: Ilmu Data memungkinkan untuk Mengoptimalkan produksi, Mengurangi  biaya, dan Meningkatkan keuntungan. Selain itu, penyertaan data dari sensor  memungkinkan untuk menemukan potensi masalah dalam sistem. Juga, data  memungkinkan untuk mengoptimalkan kualitas dan kapasitas produksi. 

• Transportasi: Ilmu Data membantu menciptakan sistem untuk mobil tanpa pengemudi  menggunakan data sensorik. Ilmu Data memungkinkan analisis ekstensif pola  konsumsi bahan bakar, pemantauan pengemudi, dan pemilihan jalur membantu dalam  mengoptimalkan industri.

• Kesehatan: Ilmu Data membantu dalam analisis prediktif diagnosis, penemuan obat  berdasarkan data penyakit, dan analisis citra Medis untuk memprediksi penyakit dari  citra. 

• E-Commerce: Ilmu Data membantu menemukan pelanggan potensial. Ini membantu  dalam mengoptimalkan basis pelanggan dan mengelompokkannya berdasarkan tren. Ini  juga digunakan untuk menganalisis barang dan jasa secara prediktif untuk cakupan  maksimum. Menggunakan data pelanggan, perusahaan menggunakan analisis sentimen  untuk menemukan umpan balik berdasarkan ulasan. 

Penerapan Kecerdasan Buatan

AI atau kecerdasan buatan di dalam sains data mengoptimalkan tahapan-tahapan dan  meningkatkan kemampuan sains data contohnya seperti belanja online yang dipersonalisasi:  Tren pencarian dan riwayat pencarian pengguna dilacak dan berdasarkan data, iklan produk  tertentu ditampilkan yang dapat memenuhi kebutuhan dan harapan pengguna. 

Pencitraan dan Pengawasan yang Ditingkatkan: Fitur gambar ditingkatkan menggunakan visi  komputer, yang digunakan oleh aplikasi seperti Snapchat dan Instagram. Image Enhancement  juga digunakan oleh dinas keamanan dan militer untuk pengawasan. 

Video Game: Game komputer terdiri dari bot yang dikendalikan oleh sistem. Karakter ini dapat  diadaptasi yaitu mereka mengubah tingkat kesulitan berdasarkan pemain sebenarnya. Ini  bekerja pada kemampuan beradaptasi Kecerdasan Buatan. 

Kesehatan: Ini adalah sektor yang paling banyak mengadopsi Kecerdasan Buatan. Sistem  Otomatis yang memudahkan pengembangan obat-obatan telah membantu menemukan obat  untuk lebih banyak penyakit. Juga menerapkan Kecerdasan Buatan pada data historis telah  membantu memprediksi hasil bakteri dan virus. 

ChatBots: Dimasukkannya chatbot opsional di situs web dan toko online telah menjadi suatu  keharusan. Ini memberikan informasi paling banyak dengan cara yang paling manusiawi.  Kecerdasan Buatan dalam ChatBots berbasis Ilmu Data berfungsi secara efisien. 

Manfaat Kecerdasan Buatan

Manfaat menggabungkan kecerdasan buatan AI in data science adalah aplikasi analitik  prediktif yang memperkirakan perilaku pelanggan, tren bisnis, dan peristiwa berdasarkan  analisis kumpulan data yang terus berubah. Sistem AI percakapan yang dapat terlibat dalam  komunikasi yang sangat interaktif dengan pelanggan, pengguna, pasien, dan individu lainnya.  Sistem deteksi anomali yang mendukung keamanan siber adaptif dan proses deteksi penipuan  untuk membantu organisasi merespons ancaman yang terus berkembang. Sistem hiperpersonalisasi yang memungkinkan iklan bertarget, rekomendasi produk, panduan keuangan  dan perawatan medis, plus personalisasi lainnya penawaran kepada pelanggan. 

Kecerdasan buatan atau AI dan data science dapat mengalahkan manusia seperti:

1. Komputer Deep Blue adalah pemain catur yang lebih baik sejak 1997 

2. Mesin ilmu data menganalisis data lebih baik daripada manusia 

3. AI lebih cepat dan lebih pintar dalam pengenalan visual 

4. Alibaba membangun AI yang bisa membaca lebih baik dari rata-rata manusia 5. Program musik AI menulis lagu pop yang lebih baik 

6. Sistem AI ini juga lebih berkinerja di game strategi 

7. AI menciptakan dan mengkritik seni asli 

8. Aplikasi AI yang paling menantang: 

9. AI ini baru saja memecahkan rekor memecahkan Rubik’s Cube 

10. Mobil Self-Driving akan mengurangi kematian dan menghemat uang 11. AI tidak mempunyai hari libur 

12. Senjata otonom mematikan (LAWS) (sejenis sistem militer otonom yang secara mandiri  dapat mencari dan melibatkan target berdasarkan batasan dan deskripsi yang diprogram)

Pada Sabtu (14/5/2022), mata kuliah SD2203 Statistika Sains Data, program studi Sains Data ITERA mengadakan kuliah tamu dengan topik “Support Vector Machine (SVM)”. Narasumber yang diundang kali ini adalah Bapak Abdullah Ghifari sebagai Data Scientist di Telkomsel. 

Acara diawali dengan kata sambutan oleh Tirta Setiawan selaku sekretaris program studi Sains Data, yang dalam kesempatan kali ini mewakili Acep Purqon, Ph.D sebagai koordinator program studi Sains Data mengatakan mengucapkan terima kasih kepada narasumber karena bersedia hadir pada kegiatan kuliah tamu. Selain itu, Tirta menyampaikan bahwa kegiatan yang dilaksanakan secara daring ini sangat efektif karena tidak terhalang oleh jarak dan waktu. 

Abdullah Ghifari, atau yang kerap disapa Abdul, dalam penyampaian materi mengatakan bahwa Data Science merupakan suatu bidang ilmu yang mempelajari data. Sedangkan, orang yang bergelut dibidang Data Science, dinamakan Data Scientist. Ilmu yang berkembang pesat sejak tahun 2018 ini menjadi sangat menarik karena membawa banyak keuntungan. Dengan Data Science, dapat dilakukan pemecahan masalah, sehingga bisa diambil keputusan menggunakan data. Abdul memaparkan bahwa saat ini belum ada e-commerce yang menggunakan pengenalan wajah saat pengguna ingin masuk ke aplikasinya. Ia memaparkan bahwa setelah dilakukan analisis menggunakan data, banyak perangkat pengguna yang belum mampu untuk menangani pengenalan wajah, sehingga hal itu belum dilakukan sampai sekarang.

Seorang Data Scientist ketika bekerja terdiri dari tiga urutan, yaitu Permasalahan bisnis, data, dan solusi. Solusi bukan hanya berupa model, namun dapat berupa insight, maupun data visualisasi.  Misalnya terdapat permasalahan dari tim bisnis yang ingin suatu sistem yang dapat mendeteksi pengguna mana yang sudah bosan berbelanja di suatu aplikasi. Maka, Data Scientist akan mengambil data berupa riwayat belanja pengguna, kemudian menerapkan berbagai algoritma dan membuat sistem yang dapat mendeteksi pengguna yang sudah bosan. Salah satu algoritma yang bisa digunakan, adalah Support Vector Machine (SVM).Abdullah menjelaskan, SVM adalah salah satu metode klasifikasi yang mampu membedakan label dengan menggunakan optimalisasi hyperplane. SVM digunakan untuk mencari hyperplane terbaik dengan memaksimalkan jarak antar kelas. Hyperplane adalah sebuah fungsi yang dapat digunakan untuk pemisah antar kelas. Saat menjelaskan, Abdullah tidak hanya mengajarkan secara teori, namun ada sesi hands-on secara sederhana. 

Sebelum mengakhiri kuliah tamu, Abdullah Ghifari memberikan beberapa tips yang bisa diikuti oleh mahasiswa jika ingin berkarier dibidang data. Mahasiswa harus mulai melatih Analytical Thinking dengan menggunakan habit data-driven, memperkuat pemrograman dan matematika, serta tidak lupa membuat portfolio yang berkualitas. Dalam kesempatan kali ini juga, turut disampaikan lima kemampuan yang harus dipahami, yaitu analytics, visualization, programming, statistics, dan machine learning. Kuliah tamu ditutup dengan sesi tanya jawab yang dipimpin oleh moderator, Mika Sitinjak, S.Si., M.Si.